Lange Zeit galt Fußball als unzugänglich für die Datenwissenschaft. Zu fließend und zu chaotisch schien das Spiel, um es strukturiert auswerten zu können. Anfang der 2000er-Jahre änderte sich das. Fachleute erkannten: Die Fülle und die Komplexität an Daten, die ein Fußballspiel hergibt, eignen sich hervorragend für Untersuchungen mit künstlicher Intelligenz. Führend in dieser Entwicklung war und ist das Sports Analytics Lab mit seinem Leiter Jesse Davis an der KU Leuven in Belgien. Mit den diversen Open-Source-Analysetools des Forschungsteams optimierten Profiklubs ihre Taktiken oder das Recruiting neuer Spieler. Heute gibt es kaum mehr einen Profiverein, der nicht neben dem Sportplatz auch noch ein Team für die Datenanalyse beschäftigt.

Jesse Davis, welches ist der einfachste Weg, ein Tor zu schießen?

Offensichtlich ist ja der Elfmeter eine sehr wertvolle Möglichkeit, um ein Tor zu erzielen. Die Wahrscheinlichkeit, einen Elfmeter zu verwandeln, liegt – je nachdem, welche Daten man betrachtet – irgendwo zwischen 76 und 82 Prozent. In der englischen Premier League lag die Quote in den letzten Jahren bei über 80 Prozent. Der sogenannte Expected-Goals-Index (xG), der mittlerweile vielen Fußballfans ein Begriff ist, ist hier also besonders hoch. Aber es gibt Situationen, die mit noch höherer Wahrscheinlichkeit zum Torerfolg führen als ein Elfmeter. Zum Beispiel, wenn der Torwart schlecht positioniert ist oder der Ball vor dem eigenen Tor quer gespielt wird und ein Gegenspieler den Ball abfängt.

Ein Fußballspiel besteht aus Dribblings, Pässen, Läufen, Schüssen. Wie zerlegt man ein Fußballspiel, damit es in ein mathematisches Modell passt?

Das hängt davon ab, was man analysieren möchte. Wenn ein Verein beispielsweise einen Spieler verpflichten möchte, dann versucht er zu quantifizieren, wie der Spieler mit jeder seiner Aktionen das Spiel prägt. Typischerweise konzentriert man sich dabei auf die Ballaktionen. Hierfür gibt es einfach die meisten Daten. Man schaut dann darauf, wie jede dieser Aktionen die Chancen des eigenen Teams beeinflusst, innerhalb der nächsten 10 oder 15 Aktionen oder Sekunden ein Tor zu erzielen. Das wägt man dann ab gegen das Risiko, dass die Aktion des Spielers im gleichen Zeitraum vielleicht zu einem Gegentor führt.

Aufgewachsen sind Sie mit US-Sport, wie Baseball oder American Football. Ist Fußball diesen Sportarten gegenüber ein Nachzügler, was die Arbeit mit Daten angeht?

In amerikanischen Sportarten wurde schon früher als im Fußball mit Daten gearbeitet. Aber auch im Fußball stützt man sich schon seit 50 oder 60 Jahren auf Datenanalysen, beispielsweise indem man das Spielfeld in Zonen einteilte und schaute, wo sich das Spielgeschehen wann konzentriert. In den amerikanischen Sportarten, und hier insbesondere im Baseball, erstellen Leute aber schon seit etwa 150 Jahren detaillierte Statistiken. Das, verbunden mit der Tatsache, dass die Spielsituationen im Baseball sehr klar und wiederholbar sind, macht es viel leichter, das Spiel zu analysieren. Anders ist die Situation im American Football. Aber auch hier wurden viele Analysen teils schon in den 1970er-Jahren entwickelt und kommen in ähnlicher Form erst heute in anderen Sportarten zum Einsatz.

Ist Fußball schwieriger zu analysieren als die angesprochenen amerikanischen Sportarten?

Ja. Fußball ist viel dynamischer, chaotischer. Eishockey ist in diesem Sinne zwar ähnlich, aber hier fallen immerhin mehr Tore, und es wird öfter aufs Tor geschossen. Während eines Fußballspiels ist der zeitliche Abstand zwischen spielentscheidenden Szenen viel größer. Im Basketball dagegen passiert ständig etwas: Es wird geworfen, es gibt Punkte. Hier, wie auch im Baseball, gibt es sehr viele Spielsituationen, die man in Form von Datenpunkten leicht isolieren kann.

Welche Hilfsmittel aus der Informatik verwenden Sie, um nützliche Informationen aus den riesigen Datenmengen zu bekommen?

Wir verwenden unterschiedliche Methoden aus Bereichen wie dem maschinellen Lernen, der Statistik und der künstlichen Intelligenz. Je nachdem, welche Daten wir betrachten und welche Frage wir beantworten wollen, suchen wir die passende aus. Nehmen wir wieder das Beispiel eines Spielers, dessen Aktionen quantifiziert werden sollen. Die Qualität seiner Aktion soll also mit einem Wert hinterlegt werden. Wir wollen herausfinden, mit welcher Wahrscheinlichkeit innerhalb der nächsten zehn Aktionen nach seinem Ballkontakt ein Tor fällt. Dafür trainieren wir ein Vorhersagemodell, unter anderem, indem wir Entscheidungsbäume miteinander kombinieren. Das ist ein Ansatz aus dem maschinellen Lernen. Man verwendet das übrigens auch bei der Websuche, um Webseiten zu ranken. Dann suchen wir zunächst spezielle Merkmale, die beschreiben, was zu einem bestimmten Zeitpunkt im Spiel passiert. Beispiele für solche Funktionen sind der Spielstand, die verbleibende Spieldauer, die aktuelle Position des Balls und die Geschwindigkeit, mit der er sich auf dem Spielfeld bewegt. Mit diesen Merkmalen trainieren wir ein KI-Modell. Später gibt uns das Modell dann aus, mit welcher Wahrscheinlichkeit die einzelne Aktion eines Spielers in einem gegebenen Zeitraum zum Tor führt.

Oder ein anderes Beispiel: In den Stadien sind Kameras verbaut, die die Positionen aller Spieler mehrfach pro Sekunde messen. Mit diesen Daten speisen wir tiefe neuronale Netze, wie sie auch bei Sprachmodellen wie ChatGPT verwendet werden. Basierend auf der aktuellen Bewegung aller Spieler können wir dann vorhersagen, was wahrscheinlich als Nächstes passiert, oder wir erkennen darüber wiederkehrende taktische Muster.

Als Sie mit Ihrer Forschung begannen, war es Ihr vorrangiges Ziel, dem Fußball neue Impulse zu geben, oder war der Fußball lediglich ein willkommenes Testfeld für die Weiterentwicklung Ihrer Datenmodelle?

Beides. Ich bin glücklich, wenn ich Techniken entwickeln kann, um praktische Probleme zu lösen. Und es ist motivierend, dass unsere Arbeit zum Beispiel für Fußballvereine nützlich ist, aber gleichzeitig auch interessante Fragen zur Entwicklung von KIs aufwirft.

Welche ihrer Arbeiten hatte den stärksten Einfluss auf den Fußball?

Ich denke, es war schon die angesprochene Quantifizierung der Spielerleistung. Die Arbeit dazu wurde akademisch viel untersucht und in der Praxis recht breit angewendet. Vor uns haben sich zwar schon andere mit diesem Thema befasst, aber wir waren die Ersten, die auch das Risiko eines möglichen Gegentors für eine breite Palette an Aktionen in die Analyse einbezogen und öffentlich gemacht haben.

Wenn Sie heute ein Fußballspiel zwischen zwei Profimannschaften sehen, erkennen Sie Ihre Arbeit darin wieder?

Nein, so direkt sehe ich das nicht. Dafür passiert rund um das Spiel einfach zu viel, und es ist schwer, Ursache und Wirkung dabei genau zuzuordnen.

Aber haben sich Taktiken und Spielstile seit Beginn der Datenära vor etwa eineinhalb Jahrzehnten denn grundsätzlich verändert?

Ja. Heute gibt es zum Beispiel viel weniger Fernschüsse. Man wusste zwar schon früher, dass die Wahrscheinlichkeit, aus der Distanz zu treffen, geringer ist als aus der Nähe. Daten erlauben es nun aber, viel präziser zu quantifizieren, wie viel schlechter die Chance durch Fernschüsse ist. Daten haben auch verdeutlicht, dass man besser weniger sehr gute Chancen herausspielen sollte, als viele schlechte. Das hat sich mittlerweile in vielen Köpfen festgesetzt.

Gleichzeitig mit diesen Entwicklungen hat aber auch Pep Guardiola, der einflussreichste aller Trainer, einen Spielstil geprägt, der sehr darauf ausgerichtet war, diese hochwertigen Chancen zu generieren. Ob andere Trainer seither seinen Spielstil kopieren oder eher durch Daten beeinflusst wurden, lässt sich schwer sagen. Es ist wohl eine Kombination aus beidem. Es gibt aber auch noch weitere Dinge, die sich im Fußball in den letzten ein bis zwei Jahrzehnten verändert haben.

Welche?

Zum Beispiel Standardsituationen. Bei einem Eckball bewacht heute kaum noch ein Spieler den Pfosten. Zahlreiche Studien haben gezeigt, dass das nichts bringt. Andere Arbeiten haben gezeigt, dass viele Flanken ineffizient sind. Teams priorisieren heute flache Hereingaben anstelle von hohen Flanken.

»Bei einem Eckball bewacht heute kaum noch ein Spieler den Pfosten«

Was werden die nächsten Schritte in der Datenanalyse im Fußball sein, und wie wird sich das Spiel dadurch verändern?

Es gibt noch viele interessante Ansätze, um Taktiken zu optimieren. Beispielsweise brauchen wir ein noch besseres Verständnis von der Defensive. Welche Spieler gut verteidigen, lässt sich heute anhand von Daten nur schwer quantifizieren. Auch Einwechslungen sind ein interessantes Feld. Wie sie ein Spiel beeinflussen, ist heute ebenfalls schwer zu messen.

Man könnte sich ja vorstellen, dass Spieler in Zukunft nur noch mechanisch umsetzen, was die Analysetools ihnen vorgeben. Machen Sie sich Sorgen, dass das Spiel dadurch seinen Reiz verliert?

Ich glaube nicht, dass das passieren wird. Anders ist das vielleicht in einigen amerikanischen Sportarten. Hier ist das Spiel infolge der Datenanalysen homogener geworden, weil die Strategien wirklich optimiert wurden. Aus Fansicht kann man sich dort durchaus fragen, wie interessant es ist, wenn alle gleich spielen. Im Fußball ist das Risiko für so eine Entwicklung aber viel geringer.

»Wenn alle dasselbe machen, hat man einen Vorteil, wenn man es anders macht«

Teamsportarten wie Fußball sind inhärent adversarial. Es kommt also immer zu Situationen, in denen man einem Gegner gegenübersteht, der auf einen reagiert. Wenn in solchen Situationen alle dasselbe machen, hat man einen Vorteil, wenn man es anders macht. Diese Möglichkeit gibt es immer, und deswegen erfährt der Sport eine ständige Evolution. Ein Fußballspiel kann man nicht komplett optimieren. Und deswegen ist dieser Sport ja so schön.